論文の概要: Generalized Planning for the Abstraction and Reasoning Corpus
- arxiv url: http://arxiv.org/abs/2401.07426v1
- Date: Mon, 15 Jan 2024 02:25:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 18:22:54.507498
- Title: Generalized Planning for the Abstraction and Reasoning Corpus
- Title（参考訳）: 抽象化・推論コーパスの一般化計画
- Authors: Chao Lei, Nir Lipovetzky, Krista A. Ehinger
- Abstract要約: GPAR(Generalized Planning for Abstract Reasoning)を提案する。
ARC問題を一般化計画(GP)問題とみなし、解はポインタを持つ計画プログラムとして形式化される。
本稿では,行動モデル,述語,議論,計画プログラムの有効な構造に対する制約という形で,ARC特有のドメイン知識を用いてGPソルバをスケールアップする方法を示す。
- 参考スコア（独自算出の注目度）: 10.377424252002795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Abstraction and Reasoning Corpus (ARC) is a general artificial
intelligence benchmark that poses difficulties for pure machine learning
methods due to its requirement for fluid intelligence with a focus on reasoning
and abstraction. In this work, we introduce an ARC solver, Generalized Planning
for Abstract Reasoning (GPAR). It casts an ARC problem as a generalized
planning (GP) problem, where a solution is formalized as a planning program
with pointers. We express each ARC problem using the standard Planning Domain
Definition Language (PDDL) coupled with external functions representing
object-centric abstractions. We show how to scale up GP solvers via domain
knowledge specific to ARC in the form of restrictions over the actions model,
predicates, arguments and valid structure of planning programs. Our experiments
demonstrate that GPAR outperforms the state-of-the-art solvers on the
object-centric tasks of the ARC, showing the effectiveness of GP and the
expressiveness of PDDL to model ARC problems. The challenges provided by the
ARC benchmark motivate research to advance existing GP solvers and understand
new relations with other planning computational models. Code is available at
github.com/you68681/GPAR.
- Abstract（参考訳）: ARC(Abstraction and Reasoning Corpus)は、推論と抽象化に重点を置く流体知能の要求により、純粋な機械学習手法に困難をもたらす一般的な人工知能ベンチマークである。
本稿では、ARCソルバであるGeneralized Planning for Abstract Reasoning (GPAR)を紹介する。
ARC問題を一般化計画(GP)問題とみなし、解はポインタを持つ計画プログラムとして形式化される。
我々は、標準計画ドメイン定義言語(PDDL)とオブジェクト中心の抽象化を表す外部関数を組み合わせて、ARC問題を表現します。
本稿では,行動モデル,述語,議論,計画プログラムの有効な構造に対する制約という形で,ARC特有のドメイン知識を用いてGPソルバをスケールアップする方法を示す。
実験の結果、GPARはARCのオブジェクト指向タスクにおける最先端の解法よりも優れており、GPの有効性とARC問題をモデル化するためのPDDLの表現性を示している。
arcベンチマークが提供する課題は、既存のgpソルバを前進させ、他の計画計算モデルとの新しい関係を理解するための研究を動機付けるものである。
コードはgithub.com/you68681/GPARで入手できる。
関連論文リスト
- Embodied-RAG: General Non-parametric Embodied Memory for Retrieval and Generation [65.23793829741014]
Embodied-RAGは、非パラメトリックメモリシステムによるエンボディエージェントのモデルを強化するフレームワークである。
コアとなるEmbodied-RAGのメモリはセマンティックフォレストとして構成され、言語記述を様々なレベルで詳細に保存する。
Embodied-RAGがRAGをロボット領域に効果的にブリッジし、200以上の説明とナビゲーションクエリをうまく処理できることを実証する。
論文 参考訳（メタデータ） (2024-09-26T21:44:11Z) - Planning with OWL-DL Ontologies (Extended Version) [6.767885381740952]
フルパワー表現型DLをサポートするブラックボックスを提案する。
主要なアルゴリズムは、OWLによるPDDLへの計画仕様の書き直しに依存している。
いくつかのドメインからのベンチマークセットの実装を評価した。
論文 参考訳（メタデータ） (2024-08-14T13:27:02Z) - Towards Learning Abductive Reasoning using VSA Distributed Representations [56.31867341825068]
本稿では,文脈認識モデルを用いた帰納的ルール学習手法を提案する。
ARLCは、誘引的推論のための、新しくより広く適用可能な訓練目標を特徴としている。
プログラムされた知識の上に実例から漸進的に学習することで,ARLCのポストプログラミングトレーニングに対する堅牢性を示す。
論文 参考訳（メタデータ） (2024-06-27T12:05:55Z) - Program Synthesis using Inductive Logic Programming for the Abstraction and Reasoning Corpus [1.9662978733004604]
ARC(Abstraction and Reasoning Corpus)は、任意の機械学習手法では解決できない。
本稿では,AIの分岐であるインダクティブ論理プログラミング(ILP)を用いてARCを解くプログラム合成システムを提案する。
論文 参考訳（メタデータ） (2024-05-10T11:22:31Z) - Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning [83.41487567765871]
Skipperはモデルベースの強化学習フレームワークである。
これは、与えられたタスクをより小さく、より管理しやすいサブタスクに自動的に一般化する。
環境の関連部分には、スパースな意思決定と集中した抽象化を可能にする。
論文 参考訳（メタデータ） (2023-09-30T02:25:18Z) - When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。
具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。
コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
論文 参考訳（メタデータ） (2023-08-29T17:22:39Z) - LLMs and the Abstraction and Reasoning Corpus: Successes, Failures, and
the Importance of Object-based Representations [50.431003245201644]
GPT-4 は 1D-ARC や単純な ARC サブセットのような非言語領域で完全に「推論」できないことを示す。
本稿では,外部ツールから得られるオブジェクトベース表現を提案する。これにより,解決されたARCタスクのパフォーマンスがほぼ倍増し,より簡単な1D-ARC上でのほぼ完璧なスコアが得られた。
論文 参考訳（メタデータ） (2023-05-26T16:32:17Z) - Learning Rational Subgoals from Demonstrations and Instructions [71.86713748450363]
本稿では,新しい目標を達成するための効率的な長期計画を支援する有用なサブゴール学習フレームワークを提案する。
我々のフレームワークの中核は合理的なサブゴール(RSG)の集合であり、基本的には環境状態上の二項分類器である。
目標記述が与えられた場合、学習したサブゴールと派生した依存関係は、A*やRTといった既成の計画アルゴリズムを促進する。
論文 参考訳（メタデータ） (2023-03-09T18:39:22Z) - Abstract Visual Reasoning Enabled by Language [8.627180519837657]
ARCを解くための一般学習型フレームワークを提案する。
タスクをビジョンから言語領域に変換することに集中しています。
言語と視覚のこの構成により、各段階で事前訓練されたモデルを利用することができる。
論文 参考訳（メタデータ） (2023-03-07T17:52:46Z) - Graphs, Constraints, and Search for the Abstraction and Reasoning Corpus [19.27379168184259]
ARC(Abstraction and Reasoning Corpus)は、汎用人工知能アルゴリズムのパフォーマンスをベンチマークすることを目的としている。
ARCは広範な一般化と少数ショットの学習に重点を置いているため、純粋な機械学習を使って解決することは不可能である。
本稿では,グラフを用いた画像の表現と,正しいプログラムの検索を行う新しいオブジェクト中心のフレームワークである,グラフ抽象化を用いた抽象推論を提案する。
論文 参考訳（メタデータ） (2022-10-18T14:13:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。